通过深度神经网络量化农药在食品中的容忍度或最大残留量限制

科学领域:

• 计算化学和毒理学计算化学和毒理学
• 食品安全和监管科学 食品安全和监管科学
• 机器学习在农业科学中的应用.

背景情况:

• 为食品安全监督和良好农业实践 (GAP) 制定对农药在食品中的法定最大残留量 (MRL) 是至关重要的.
• 现有的in silico模型主要集中在估计田间残留水平上,仅限于对复杂的残留公差建模过程的关注.

研究的目的:

• 开发一种机器学习模型,以基于定量结构-活性关系 (QSAR) 来预测农药残留容忍度.
• 调查结构相似的农药之间以及相关的食物物种之间MRL的可转移性.
• 在未经测试的食品上量化农药的合法MRL.

主要方法:

• 利用等级分类来确定MRL在农药和食品类型中的可转移性.
• 开发了一个基于QSAR的全球深度神经网络 (DNN) 回归模型,使用来自438种农药和128种食品的汇总数据.
• 工程特征空间使用摩根相似性光谱用于化学结构和一热向量用于食品类型.

主要成果:

• 在结构相似的农药之间 (在残留物之间) 和在相似的食物物种之间 (在食物之间) 展示了显著的MRL可转移性.
• 全球DNN模型实现了0.81的R2,显著优于传统机器学习模型 (XGBoost,RF,SVR).
• 在超过72.66%的食品中,DNN模型实现了≥0.6 R2,表明它对未经测试的商品的有效性,与单一食品类型模型不同.

结论:

• 这项研究证实了残留物间和食品间的MRL可转移性对于基于QSAR的残留物容忍度建模的有用性.
• 开发的DNN模型,利用特定特征工程,是有效的设定农药残留在食品中的耐受性.
• 建模策略可以扩展到包括在现场的MRL估计,考虑到良好的农业实践 (GAP) 和现场条件.